根据专业统计,在中国甚至在全世界范围内,肺癌持续几年都是所有癌症中恶性之首。随着理论研究的深入和计算机运行能力的提高,医学影像成为临床上诊断治疗非常重要的辅助手段。医学图像中组织器官的分割和随后的定性定量评估可以为病理学分析提供有价值的信息。目前广泛使用的医学图像分割方法大致有:传统的分割方法、机器学习及深度学习分割方法等。深度学习理论近些年被推广到了包括应用在处理计算机视觉和语音识别等问题上的很多领域。深度学习方法可分层次地处理海量数据,提取数据特征,对大规模复杂问题也可以达到很高的准确率。基于此,本文研究了基于深度学习理论的肺部CT图像分割模型。本文基于经典的U-Net模型和空洞卷积(Dilated convolutions,DC),给出了处理肺部CT图像分割问题的空洞U-Net模型(DC-U-Net),并且在模型输出层之前增加了一层1×1的卷积,融合了多通道信息并增加模型的非线性。在Keras框架下利用Python语言实现了基于DC-U-Net模型的肺部分割任务,该任务包括数据预处理、模型搭建、网络配置等过程。最后给出了数值结果及结论。本文的研究内容主要有以下两个方面:一、由于空洞卷积在卷积中加入了间隔,能够在参数量不变的同时扩大感受野,获得更多的特征信息。本文将空洞卷积引入到了U-Net模型,并简化了U-Net模型结构。其中空洞的间隔按照HDC原则设计;另外一方面,在模型的输出层之前增加了1×1的卷积运算,对多通道信息进行融合并增加了模型的非线性表达。二、在工程实现中,首先对原始图像进行了预处理,主要包括去噪处理和数据增强。然后是搭建模型及网络配置阶段。网络配置过程中利用了截尾正态分布对权重初始化和动态学习率进行参数更新。利用Kaggle中的lungs数据进行了数值实验,给出了肺部CT分割图,并且与其它的模型进行了比较。数值结果表明,该模型在肺部分割上效果良好,有一定的应用价值。本文结构如下:第1章简要介绍了医学图像分割的背景及研究现状;第2章主要介绍了传统的图像分割算法及基于深度学习的分割算法;第3章给出了利用空洞卷积的U-Net模型;第4章给出了基于该模型处理图像分割问题的工程实现过程;利用肺部CT数据进行了初步的数值实验,列出了数值结果并得出了结论。最后给出了总结。